فهرس المقالات Induction Motors

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Industrial Networks Performance Enhancement Using Fuzzy ‎Controlled Distributed Generation
  Naser Ghasemi Seyyed Mehdi Hosseini
  Induction Motors (IM) are one of the main and voltage sensitive loads within industrial centers whose start-up and loading characteristics affect the nearby loads adversely. The performance of induction motors is influenced by their supply voltage; thus, such faults as أکثر

  Induction Motors (IM) are one of the main and voltage sensitive loads within industrial centers whose start-up and loading characteristics affect the nearby loads adversely. The performance of induction motors is influenced by their supply voltage; thus, such faults as short circuits can lead to their instability. Distributed Generation Units (DGUs), recently applied by electric utilities and consumers with a remarkable growth, can provide the desired ctive power based on a proper control algorithm and configuration of such voltage source converters as parallel, series and hybrid in one hand, and compensate for various power quality and voltage regulation problems, on the other; hence so called Flexible Distributed Generation (FDG). In this paper, a new interface is introduced for onnecting DGUs to the distribution network. The proposed interface is not only able to provide some portion of active power to loads, but also maintains the nominal voltage for a wide range of operational conditions. Hence, it can replace such compensation devices as Distribution Static Compensators (D-STATCOM) or On-Load Tap Changer transformers (OLTC), which have already being used for voltage regulation of distribution networks. Within the interface, a fuzzy controller is used for the voltage control loop. Computer simulation in MATLAB Simulink proves the performance enhancement of the interface. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - روشی جدید برای تشخیص عیب ناهم راستایی استاتیک در موتورهای القایی قفس سنجابی
  مهدی احمدی جواد پشتان سید مهدی میر ایمانی
  در این مقاله به تشخیص عیب ناهم‌راستایی استاتیک در موتورهای القایی قفس سنجابی پرداخته می‌شود. برای مدل‌سازی موتور القایی در حالت سالم و معیوب از روش اجزاء محدود دو بعدی استفاده شده است و اعتبارسنجی روش ارائه شده با مقایسه سیگنال‌های جریان و سرعت شبیه سازی شده در حالت سال أکثر

  در این مقاله به تشخیص عیب ناهم‌راستایی استاتیک در موتورهای القایی قفس سنجابی پرداخته می‌شود. برای مدل‌سازی موتور القایی در حالت سالم و معیوب از روش اجزاء محدود دو بعدی استفاده شده است و اعتبارسنجی روش ارائه شده با مقایسه سیگنال‌های جریان و سرعت شبیه سازی شده در حالت سالم با داده‌های عملی انجام شده است. برای تشخیص عیب در ابتدا از روش تبدیل فوریه سریع سیگنال جریان استفاده می‌شود. اگرچه نتایج حاصل از این روش، وقوع عیب را هشدار می‌دهند اما برای تحلیل لازم است از هارمونیک‌های مرتبه بالا استفاده شود و به‌دلیل دامنه کوچک این هارمونیک‌ها، مقایسه بسیار مشکل خواهد بود. برای رفع این مشکلات پیشنهاد می‌شود از دو سیم‌پیچ آزمایش متقارن در اطراف فاصله هوایی استفاده شود تا هرگونه تغییر در این ناحیه بتواند به خوبی قابل تشخیص باشد. به خاطر استفاده سیم‌پیچ‌ها در حالت مدار باز، این سیم‌پیچ‌ها بر دینامیک موتور تأثیری نمی‌گذارند و از طرفی نتایج نشان می‌دهند که تحلیل ولتاژ القا شده در آن‌ها می‌تواند وقوع عیب، نوع و درصد آن را‌ به‌خوبی نشان دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - ارزیابی جریان راه اندازی موتورهای القایی با استفاده از شبکه عصبی
  ایمان صادق خانی علیرضا صدوقی
  موتورهای القایی به صورت گسترده‌ای در صنعت مورد استفاده قرا می‌گیرند. با این وجود در طول پروسه راه‌اندازی، جریان راه‌اندازی آنها آنچنان بزرگ است که می‌تواند به تجهیزات آسیب برساند. بنابراین این جریان بایستی با دقت تخمین زده شود. در این مقاله، از شبکه عصبی مصنوعی برای ارز أکثر

  موتورهای القایی به صورت گسترده‌ای در صنعت مورد استفاده قرا می‌گیرند. با این وجود در طول پروسه راه‌اندازی، جریان راه‌اندازی آنها آنچنان بزرگ است که می‌تواند به تجهیزات آسیب برساند. بنابراین این جریان بایستی با دقت تخمین زده شود. در این مقاله، از شبکه عصبی مصنوعی برای ارزیابی مقدار پیک جریان راه‌اندازی موتورهای القایی استفاده می‌شود. هر دو ساختار متداول پرسپترون چندلایه (MLP) و تابع پایه‌ای شعاعی (RBF)مورد بررسی قرار می‌گیرند. برای آموزش ساختار MLP از شش الگوریتم پس انتشار (BP)، دلتا-بار-دلتا (DBD)، دلتا-بار-دلتا توسعه‌یافته (EDBD)، جستجوی تصادفی جهت‌دار (DRS)، انتشار سریع (QP) و لونبرگ مارکواردت (LM) استفاده می‌شود. نتایج شبیه‌سازی نشان می‌دهند که هرچند اکثر شبکه‌های آموزش‌دیده قادر به تخمین مناسب مقدار پیک جریان راه‌اندازی هستند، اما الگوریتم‌هایLM و EDBD بهترین نتیجه را بر اساس میانگین خطای نسبی و مطلق ارائه می‌دهد. این روش می‌تواند به شرکت‌های سازنده و اپراتورها برای ارزیابی مقدار پیک جریان راه‌اندازی در مرحله طراحی و بهره‌برداری کمک کند تا بتوانند تدابیر لازم را برای عملکرد ایمن موتور فراهم نمایند. تفاصيل المقالة